基于改进CNN与迁移学习的工业机器人 故障诊断方法研究

Abstract

工业机器人作为智能制造的核心装备，其可靠运行直接关系到生产线的安全与效率。针对工业机器人故障诊断中标注数据稀缺、传统卷积神经网络（CNN）特征提取能力不足等问题，提出一种融合通道注意力机制与空洞卷积的改进CNN模型，并结合迁移学习策略实现少样本场景下的高精度故障诊断。改进模型在标准CNN架构中引入空洞卷积以扩大感受野，同时嵌入Squeeze-and-Excitation注意力模块对特征通道进行自适应加权，显著增强了对微弱故障特征的捕捉能力。迁移学习方面，采用在机械故障源域预训练—目标域微调的策略，有效缓解了目标域标注样本不足的问题。在凯斯西储大学轴承数据集和帕德博恩大学机器人故障数据集上的实验结果表明，所提方法在不同训练样本比例下均取得最优性能，在5%标注样本条件下平均诊断准确率达到96.84%，较标准CNN提升11.26个百分点，相比未使用迁移学习的改进CNN提升8.34个百分点，验证了改进CNN结构与迁移学习策略的有效性与优越性。